A remote sensing-based strategy for mapping anthropogenic urban surface ecological poorness zones (AUSEPZ): A case study of Lisbon City
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Anthropogenic activities play a crucial role in the formation and intensification of Urban Surface Ecological Poorness Zones (USEPZ). This study introduces a methodology for assessing the spatiotemporal fluctuations of Anthropogenic USEPZ (AUSEPZ), using Lisbon city and the Setúbal district as a case study to demonstrate its effectiveness. By integrating data from various surface characteristics through the Comprehensive Ecological Evaluation Index (CEEI), Surface Ecological Condition (SEC) maps were developed, and their spatial and temporal variations were analyzed. Additionally, a feature space was established between the Impervious Surface Percentage (ISP) and CEEI to calculate AUSEPZ intensity across different years. The findings revealed that the mean CEEI of Lisbon increased by 0.41 between 1986 and 2023. During this period, the proportions of SEC classified as Excellent, Very Good, Good, Fair, and Poor changed by −52 %, −13 %, +107 %, +444 %, and + 1134 %, respectively. The AUSEPZ intensity values for Lisbon were 0.32, 0.39, 0.46, 0.52, 0.57, and 0.63 for the years 1986, 1994, 2001, 2008, 2015, and 2023, respectively. The intensification of human activities, driven by urban expansion and population growth, has significantly contributed to the deterioration of SEC in Lisbon over recent years. These findings provide valuable insights for urban planners, policymakers, and stakeholders, enabling the design of targeted strategies to mitigate the impacts of urbanization and enhance ecological conditions in urban areas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle